在多部位MRI成像中增强自闭症谱系障碍的识别:多头交叉注意力和多背景方法来解决非协调数据中的变异性
Ranjeet Ranjan Jha1, Arvind Muralie2, Munish Daroch3
1Mathematics Department, Indian Institute of Technology (IIT) Patna, India.
Artificial intelligence in medicine
|October 23, 2024
概括
这项研究引入了一个新的框架,以改善自闭症谱系障碍 (ASD) 诊断,使用多地点MRI数据. 交叉组合多尺度多背景框架 (CCMSMCF) 减少了站点和扫描仪的变化,以获得更可概括的结果.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 发育障碍 发育障碍 发展障碍
背景情况:
- 由于扫描仪和采集地点的差异,多站点MRI数据呈现出显著的变异性,使图像分析和模型概括性复杂化.
- 对自闭症谱系障碍 (ASD) 的准确和早期诊断对于干预至关重要,但传统的临床观察是耗时的.
- 功能性MRI (fMRI) 与机器学习相结合,有可能加速ASD诊断,但现有的方法与来自不同来源的数据扎.
研究的目的:
- 开发一个强大的神经成像分析框架,尽量减少多站点数据集中的站点和扫描器变化.
- 为自闭症谱系障碍 (ASD) 诊断创建一个通用的机器学习模型,在不同的MRI扫描仪和站点上有效执行.
- 提高基于fMRI的ASD检测方法的诊断准确性和通用性.
主要方法:
- 提出了基于神经成像的诊断分类的交叉组合多规模多背景框架 (CCMSMCF).
- 集成了两个新的子模块:多头注意力跨度模块 (MHACSM) 和剩余多语境模块 (RMCN).
- 在模型训练中使用了二进制交叉,子损失和嵌入合损失的组合.
主要成果:
- CCMSMCF展示了一定程度的内部数据协调,实现了站点和扫描仪无关的性能.
- 在多站点自闭症脑成像数据交换I (ABIDE-I) 数据集上验证了模型.
- 在使用多站点fMRI数据对自闭症谱系障碍 (ASD) 的诊断分类方面取得了有希望的结果.
结论:
- 拟议的CCMSMCF框架有效地解决了在多站点神经成像研究中网站和扫描仪变异性的挑战.
- 这种方法为基于机器学习的自闭症谱系障碍 (ASD) 诊断提供了更具普遍性和强大的方法.
- CCMSMCF框架有可能改善fMRI在诊断各种数据源中的发育障碍方面的临床应用.
